Elman神经网络在激光陀螺输出误差建模中的应用研究

惯性器件误差补偿技术对提高捷联惯导系统的导航精度具有十分重要的意义,而误差补偿的关键在于误差模型的辨识。本文探讨将Elman  神经网络应用于惯性器件误差建模中,详细介绍了Elman  网络和其对应的学习算法。仿真结果证明了该方法的可行性,并且，该方法具有网络收敛速度快、跟踪性能好、稳定性好等优点。惯性器件（陀螺和加速度计）误差是影响惯性导航系统精度的主要误差源。激光陀螺捷联惯性导航系统中，由于激光陀螺和加速度计直接固联在运动载体上，使其处于恶劣的角运动中，会产生动态误差。在长时间连续工作时，纯惯导系统提供的载体导航信息会积累成较大的误差，使导航信息可信度降低。这就要求使用高精度的惯性器件才能满足系统精度要求，但是单从制造工艺和调试技术方面提高惯性器件精度是很困难的，且其成本太高。必须通过误差补偿技术来提高导航系统的定位定向精度。而惯性器件误差补偿的关键是如何准确地将惯性器件的误差模型辨识出来。许多文献中介绍了采用卡尔曼滤波方法来辨识惯性敏感器的误差模型参数，然后加以补偿。卡尔曼滤波器只是在建立惯性器件的误差模型的基础上估计出误差模型的参数，往往需要在大量的实验基础上进行反复的建模、校模，分析惯性器件的物理特性和结构，才能得到较准确的反映实际动态系统的误差模型。递归神经网络具有非线性逼近的能力，还具有自适应、自学习、并行分布式处理的特点，因此在诸如函数逼近、模式识别、数据压缩等领域有着广泛的应用。Elman  神经网络是递归网络的一种，它可以任意精度逼近任意的非线性函数。根据惯性器件误差的动态特性，本文将Elman  神经网络引入到激光陀螺的误差建模中去，这种建模方法将模型辨识和参数辨识同时进行的，不必事先知道陀螺误差的ARMA  模型，只要获取了网络的输入/输出样本就可以利用该网络建模了。